鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
5
3
1

编程并不特殊:为什么程序员不承认自己是艺术家?(译文)

leikooo
leikooo
2026-10-10 17:27
阅读 680
leikooo
2026-10-10 17:27
阅读 680

原文:Programming Isn’t Special,作者:Glyph Lefkowitz(Python 著名异步框架 Twisted 创始人、Deferred 发明者)

创意工作:全行业的抵制与程序员的妥协

好莱坞编剧曾为了在劳资合同中设立抵御「AI」的防护条款而举行大规模罢工。数以千计的艺术家签署了反对 AI 爬取内容的联名公开信。创意行业针对 AI 的版权诉讼铺天盖地,甚至有人专门建立了一个全网 AI 版权诉讼追踪网站。知名 YouTube 博主们对它深恶痛绝;如果他们恰好还是音乐创作者,那态度简直就是极度唾弃。纵观所有的创意行业,人们都在发起一场整齐划一的抵抗运动,试图将这项技术拒之门外。

然而,在所有的创意领域中,程序员的表现几乎算得上是一个孤例:大量经验丰富的程序员依然坚信,在编程中使用「AI」并没有什么大碍。大家似乎也讨厌它,它让大家深感职业倦怠与痛苦,也反感它正在对整个软件行业所做的一切,但根据最新的开发者调研结果,大家依然在一边忍受一边使用。

程序员这种妥协与屈从背后的主要托词,往往归结为:「编程又不是艺术」。大家认为,如果工具能够把活干完,而这项工作纯粹只是功能性的,那用什么工具又有什么关系?

但在作者看来,这至关重要。其核心逻辑在于:我们本就不该用 AI 去生产艺术,而编程本身就是艺术。

艺术亦可世俗且平凡

很多人会反驳说:程序不可能成为艺术,因为程序是功能性的,而非表达性的;程序是世俗平庸的,而艺术是超然神圣的。

作者指出,这种观念建立在对「究竟什么是艺术」的严重扭曲之上。

在约翰·伯格的艺术批评经典著作《观看之道》中,他将这种扭曲形象地称为「神秘化」,即人为制造高深莫测的崇高感。伯格在书中列举的案例既令人忍俊不禁,又极为发人深省:

某位艺术史学者在描述一幅受托绘制的官员集体肖像画时,使用了极其堆砌华丽的辞藻,赞美其「深邃而闪烁的黑色具有微妙的调和」、「达成了和谐的融合」,用近乎出神狂热的语调将这幅画捧上了崇高圣坛。

但伯格揭示了这幅画作背后极其世俗的真相:一位穷困潦倒的老画家急需一份工作糊口,而几位当权官员觉得挂一幅官方群像挺体面。于是官员们付了一笔钱,老画家画完了画,大家得到了一幅画作。这是一幅技艺扎实的群像画,甚至称得上美观;但归根结底,它不过是出于十分平淡务实的目的而承接的定制行活,并且恰如其分地完成了它的使命。它过去不是,现在也绝非什么天赐的神圣遗物。

在文化惯性上,我们极易将绘画、雕塑、电影和音乐盲目神秘化。我们为它们附会各种「玄妙的微调」,却往往忽略了它们骨子里的实用属性,人类之所以需要它们,本就是出于装饰、消遣和转移注意力的世俗诉求,我们只顾着凝视它们带来的情感震撼。

作者澄清道:他绝非反对美学哲学。深入探究我们对艺术品的心理共鸣、通过媒介批判来理解文化与自我是一件极具价值的事,我们甚至应该做得更多。但这绝不意味着此类作品的诞生过程具有某种不可言说的神秘性,也不代表它们应当被凌驾于其他任何人类劳动之上。

尤其是那些与「纯艺术」近在咫尺、但在社会文化中并未被捧上神坛的劳动形态。人们往往极度神化小说家的创作,却对新闻记者的文字嗤之以鼻。而现实中,记者笔下那些讲求实效的报道散文同样至关重要,丝毫不失其应有的尊严。

在大众的刻板认知中,即便新闻记者远未能企及小说家那种高蹈出尘的境界,记者所获得的社会尊重与光环,也远远多于那些普通的商业文案撰稿人。然而,「小说家」与「文案撰稿人」之间根本不存在某种先验的神圣界限;两者所依赖的核心技艺大体相通,两者的身份分野无非是商业机制与个人际遇的偶然而已。

事实上,历史上许多著名作家在崭露头角之前,都曾做过商业文案撰稿人。这绝非巧合!以职业化的态度与文字打交道,哪怕处理的只是平淡世俗的词句,恰恰是日后在纯艺术语境下驾驭文字的绝佳练兵场。因为即便是最平凡琐碎的创造力,其底色依然是艺术性的。

代码之美与现实主义的碰撞

早在一千个「互联网年」之前,当作者还处于十几岁的青年时期时,他曾在一封邮件签名和个人简介里自称是一名「代码诗人」。这一举动在当时遭到了周围人无情的嘲弄,用今天年轻人的流行语来说当时的情况简直「尬到抠脚」,人们批评他「矫揉造作、装腔作势」。

最后迫于巨大的同侪压力,作者妥协了,从签名档中删掉了这一称谓。

为什么软件圈子会对「代码诗人」和「艺术」如此反感?在一场讨论中,有网友说出了业内的残酷真相,这位拥有三十年经验的资深工程师指出:艺术家最珍视的是「独创性」,但在过去三十年里,绝大多数程序员对独创性毫无兴趣,甚至从心底质疑软件是否存在所谓的独创。相反,程序员热衷于快速复制已有的成熟方案,甚至以此为荣,比拼谁能以更快的速度把别人验证过的点子实现出来。

在工程文化层面上,行业内部更充斥着要求服从「规范与惯例」的巨大同侪压力。大家普遍排斥那些行事特立独行、以自己「独创」风格编码的同行,从众是主流,独立思考并不受欢迎。正如这位网友所言,确实有极少数人将编程升华到了艺术的高度,但这绝非主流,更无法代表普通程序员的日常行为。

面对这种普遍的从众压力,作者虽然表面上顺从了社交现实,承认把写代码比作写诗在世俗看来十分滑稽,但在心底,他从未真正放弃过对美学的执念。

作者在软件工程界最广为人知的成就,莫过于在 Python Twisted 框架中发明了 Deferred。而这项发明的诞生契机,纯粹源于一种对代码美学的执念与审美反弹:在当年编写 RPC(远程过程调用)客户端/服务端时,作者极度厌恶每个调用都必须死板地传递 callback 和 errback 两个回调参数的冗长与笨拙。这两个回调在功能上确实毫无问题,能够完美交差;但它们不仅「丑陋」,而且使用起来令人抓狂。

Deferred 是一首针对异步任务编排精心构思的诗篇,它的设计从一开始就带着对问题美感及开发者人体工程学的深思熟虑。它之所以能在技术史上产生深远影响,正是因为其对美学维度的专注。

作者谦虚地表示,无意过分吹捧这项微小贡献有多么深奥伟大或历久弥新。一首诗的存在,并不等同于它必定是一首传世杰作,但它切切实实是一首诗。

在作者看来,软件圈内部的审美文化,更像是一种民间史诗歌谣,而非高不可攀的纯艺术殿堂。因此,这一贡献的真正价值不在于它自身能否永恒长存,而在于它对后续技术演进的启发与链式反应:从 MochiKit.Async 到 jQuery Deferred,再到 JavaScript Promises,直至现代编程语言中随处可见的 async/await;这是一条由一代代工匠不断融入自身巧思的长链,直到最初的形式逐渐融入演进的洪流之中(作者也坦言自己并非最初的绝对原创,同样大量借鉴了 E 语言中的 Promise 等设计)。

要想让代码成为一种深思熟虑的艺术表达,开发者必须在问题领域中沉浸良久。如果没有亲身经历过手动传递成百上千个回调参数的苦痛与枯燥,作者既不可能具备抽象出这一设计的功力,更不可能拥有大费周章去创造它的原动力。

不可否认,那位网友的观察指出了现实的另一面:绝大多数日常业务代码不需要、也没机会达到这种高度。绝大多数代码都只普通程序员「搬砖」是的产物。

但正如前文所述,大多数日常写作也成不了文学经典,绝大部分只是广告宣传;绝大部分视觉作品只是商品海报;绝大多数现场音乐只是嘈杂酒吧里无人留意的背景噪音。然而,那些真正倾注了美学自觉与架构美感的代码,在技术与社会演进的历程中,往往扮演着决定性的关键角色。

其实在软件工程的传统中,我们从来不缺乏「自我审美品味」的积淀:

  • 计算机科学经典《SICP》作者哈尔·阿贝尔森曾留下一句振聋发聩的话:「程序首先必须是写给人读的,只是顺便让机器来执行。」
  • 我们长期以来都承认程序具有极高的表达性,即便我们有时对它们究竟表达了什么、向谁表达争论不休。
  • 我们会诗意地探讨 Unix 哲学的深层意蕴;Python 社区沉淀出了著名的《Python 之禅》(PEP 20);Perl 社区也曾进行过类似的哲学求索。
  • 软件的美学特质不仅体现在阅读源码或设计 API 上。例如科技评论家 Federico Viticci 每年针对苹果全新操作系统的万字详评,本质上就是一场严谨的美学批评。如果软件无法在用户体验层面唤起审美共鸣,这种评测便无立足之地。
  • 更不用说,当今的每一篇电子游戏测评,归根结底都是一次深度的软件审美测评。

捍卫平凡的日常练兵场

这就引出了全篇最核心的交锋点:

为什么当生成式 AI 席卷而来时,程序员群体如此容易缴械投降?前述网友的观点恰好解释了这一现象:既然整个行业的现实文化本就热衷于「快速复制既有解」、讲求快速交差与服从标准规范,那么能够迅速拼凑样板代码的 AI,自然就精准迎合了这种实用主义诉求。

但作者在此提出了最振聋发聩的警告:

如果我们任由 AI 抹去所有的初级文案、平面设计,抹去所有平淡乏味的世俗艺术,抹去所有枯燥普通的 WordPress 主题定制开发,我们实质上是在连根拔起所有人通往卓越所必需经历的海量「刻意练习」与「沉思」的土壤。

任何手艺人真正的心智成长与技能蜕变,历来都是在真实工地上摔打出来的,正如披头士乐队在汉堡地下酒吧每日演奏 8 小时、最终淬炼出神级默契的 10,000 小时传奇那样。

这并不意味着程序员必须抗拒抽象与自动化。编程本就是关于「抽象的艺术」,去理解如何将微小的思想构件拼装成宏大的系统,去理解如何掌握小规则的自洽与组合,从而掌控大系统的自动化运转。

然而,当我们使用「AI」去消解这种深层理解而非提升抽象层级、去彻底摧毁这一创造性决策体系的时候,我们既是在背叛身为程序员的职业尊严,也是在背叛我们的终端用户与下游协作者。

这就像一个视觉画师或音乐家,为了交差而将自动生成的填充物打包塞给观众一样,毫无敬畏之心。

「垃圾就是垃圾,无论载体是什么。」

每一个看似琐碎平庸的日常工程项目,其实都有着极其微小的概率(哪怕只有 0.1%)孕育出真正卓越的架构突破。如果我们偶尔用 AI 应付某个单独的项目,确实无伤大雅,因为那个项目本来也不大可能成为定义开发者一生的代表作;但如果我们习惯成自然,将所有项目都全盘外包给 AI,我们就会让那些闪耀高光时刻的出现概率,彻底从「必然偶发」变成「绝无可能」了。

工程规范和标准件固然能维系现有的工业协作,但真正推动软件世界前行的架构革命,无论是 Unix 管道、Twisted 的 Deferred、还是 React 的声明式 UI,无一不是在深入凝视问题本质后、出于对丑陋现状的不满而完成的艺术性创造。如果新手工程师从入行起就将所有的困惑与试错外包给 AI,这个行业或许能多出一批熟练装配工,却再也无法培养出能够打破常规、创造下一个时代的「数字艺术家」。

在所有的软件开发环节中,究竟该以何种精确的姿态去抵抗 AI 的侵蚀,显然超出了这篇随笔的篇幅。你个人能抵抗多少、在哪些特定场景下选择坚守,取决于你自己的判断。

但在软件领域发起抵制,其价值丝毫不亚于在绘画、文学或音乐等任何传统创意媒介中所发起的抵抗。

编程并不特殊。它就是艺术,而艺术是人类最本真、因而也最普遍的事物。

编程
AI
5
1
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2500
2
我用 REA 逆向了付费颜色 APP,结果很意外!
570
3
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
420
4
DeepSeek 全新模型发布,性价比最高的一集!
380
5
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
370
6
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器,也来卷办公了!
330
8
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
9
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
300
10
什么是LLM
300
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题